Numérique & IA

Formation Deep Learning : maîtrisez Keras, TensorFlow et les réseaux de neurones

Proposée par Liora

Durée
3 mois
Lieu
À distance
Format
Distanciel
Niveau
Avancé

Ce que vous allez apprendre

En 3 mois, en ligne et avec un mentor, vous apprendrez à concevoir des réseaux de neurones profonds pour analyser des images, du texte et des séries temporelles. Une formation complète pour maîtriser Keras, TensorFlow et la Computer Vision.

À l'issue de la formation, vous serez capable de

  • Concevoir des réseaux de neurones profonds pour résoudre des problèmes complexes d'analyse d'images, de texte et de séries temporelles
  • Entraîner des modèles avec de grands ensembles de données pour obtenir des résultats précis
  • Optimiser les modèles de deep learning pour une meilleure efficacité en production
Lire la suite
  • Maîtriser les frameworks Keras et TensorFlow pour le développement de modèles
  • Mettre en œuvre des techniques avancées comme le Transfer Learning, les CNN et les RNN
  • Déployer des modèles en production avec des outils comme BentoML et Airflow

Programme

Fondamentaux du Deep Learning

  • Comprendre les concepts de base du Deep Learning et son fonctionnement
  • Rappeler les principes d'optimisation et de régression linéaire
  • Faire le lien entre la régression linéaire et les neurones artificiels
  • Manipuler les couches denses (Dense Layer) avec Keras
  • Traiter des problèmes de classification et de régression en Deep Learning
  • Ajuster les hyperparamètres pour optimiser les performances des modèles

Réseaux de neurones convolutifs (CNN)

  • Découvrir les couches de Convolution et leur rôle dans l'extraction de caractéristiques
  • Comprendre les couches de Pooling et leur utilité pour la réduction de dimensions
  • Construire des réseaux de neurones convolutifs (CNN) avec Keras
  • Appliquer l'augmentation de données et utiliser le Dropout pour améliorer la généralisation
  • Introduire le Transfer Learning avec des modèles pré-entraînés comme VGG16

TensorFlow et application

  • Comprendre la notion de tensor, les opérations et les graphes computationnels
  • Implémenter la régression linéaire et polynomiale avec TensorFlow
  • Rapprocher l'utilisation de TensorFlow avec Keras pour simplifier le développement
  • Manipuler les datasets, itérateurs et générateurs pour gérer les données
  • Personnaliser les modèles et fonctions de perte en fonction des besoins spécifiques
  • Ajouter et configurer des callbacks pour affiner l'entraînement des modèles
  • Visualiser l'évolution des modèles avec TensorBoard

Application sur la reconnaissance vocale

  • Introduire les enjeux et concepts de la reconnaissance vocale
  • Appliquer la transformée de Fourier, analyser un spectrogramme et utiliser l'échelle MEL
  • Améliorer les performances des modèles avec l'augmentation de données audio
  • Implémenter un modèle de reconnaissance de commande vocale
  • Explorer la fonction de perte CTC, les méthodes Best path decoding et Beam search decoder
  • Construire un modèle avancé pour la reconnaissance vocale

Deep Learning pour les séries temporelles

  • Gérer la cyclisation des variables temporelles et angulaires
  • Appliquer la transformée de Fourier pour détecter les composantes fréquentielles
  • Introduire des Time Lagged Features et étudier la corrélation croisée
  • Calculer des statistiques par fenêtre mobile et fenêtre 'expensive'
  • Utiliser un Multi Layer Perceptron pour prédire des séries temporelles
  • Mettre en œuvre des CNN univariés et multivariés pour capter les motifs récurrents
  • Exploiter des RNN univariés pour modéliser la dynamique séquentielle
  • Réaliser de l'autorégression et extrapoler la série à long terme
  • Appliquer la prédiction par fenêtre mobile pour gérer les variations dans le temps

Méthodologie en Deep Learning et Application

  • Explorer le framework TensorFlow et ses fonctionnalités
  • Manipuler les datasets, itérateurs et générateurs pour structurer les données
  • Personnaliser les modèles et les fonctions de perte selon les problématiques
  • Ajouter des callbacks pour contrôler l'entraînement des modèles
  • Utiliser TensorBoard pour visualiser l'évolution et optimiser les modèles
  • Introduire la problématique de la détection d'objets en Deep Learning
  • Valider la faisabilité en développant un modèle simple from scratch
  • Détecter des points d'intérêt (nez, bouche, yeux…) sur un visage
  • Implémenter un modèle simplifié de YOLO pour la détection d'objets
  • Étudier et corriger les biais des modèles en analysant leurs performances
Voir tout le programme

Pipeline Serving Airflow

  • Créer et orchestrer des DAGs avec Airflow
  • Planifier et automatiser des pipelines de données
  • Gérer les dépendances entre tâches
  • Monitorer l'exécution et gérer les erreurs

MinIO

  • Stocker des objets avec MinIO (compatible S3)
  • Créer et gérer des buckets
  • Intégrer MinIO dans un pipeline ML
  • Sécuriser l'accès aux données stockées

BentoML (option MLOps)

  • Packager un modèle ML avec BentoML
  • Créer une API de service pour un modèle
  • Déployer un modèle en production (Docker, Kubernetes)
  • Gérer le versioning des modèles servis

RAGOps (option LLMOps)

  • Concevoir un pipeline RAG (retrieval-augmented generation)
  • Gérer l'indexation et le stockage vectoriel
  • Optimiser la récupération de documents pertinents
  • Monitorer et évaluer la qualité des réponses générées

Prefect (optionnel)

  • Créer et orchestrer des flows avec Prefect
  • Planifier et automatiser l'exécution des tâches
  • Gérer les erreurs et les retries
  • Monitorer les exécutions via l'interface Prefect

Elasticsearch (optionnel)

  • Indexer et rechercher des documents avec Elasticsearch
  • Utiliser les requêtes de recherche full-text
  • Configurer les mappings et analyzers
  • Optimiser les performances de recherche

Pour qui ?

Prérequis

Public: Cette formation s'adresse aux personnes souhaitant devenir data scientists ou ingénieurs deep learning, avec une appétence pour la programmation et les mathématiques.

Questions fréquentes

Combien de temps dure la formation ?

La formation se déroule en 3 mois à temps partiel, avec un apprentissage en ligne et des masterclasses en visioconférence.

À qui s'adresse cette formation ?

Elle est conçue pour les personnes qui souhaitent devenir data scientists ou ingénieurs deep learning, et qui ont déjà des bases en programmation et en mathématiques.

Comment se déroule la formation ?

La formation est 100 % en ligne. Vous alternez entre des périodes d'apprentissage sur une plateforme interactive et des masterclasses animées par un professeur expert, plusieurs fois par semaine. Vous êtes suivi par un mentor tout au long du parcours.

Peut-on la financer ?

Elle n’est pas indiquée comme éligible au CPF, mais France Travail ou votre employeur peuvent la financer selon votre situation.

Quels sont les prérequis ?

Public : Cette formation s'adresse aux personnes souhaitant devenir data scientists ou ingénieurs deep learning, avec une appétence pour la programmation et les mathématiques.

Comment payer cette formation ?

  • Votre CPFCette formation n’est pas indiquée comme éligible au CPF. Le centre vous dira si une autre version l’est.
  • Si vous cherchez un emploiFrance Travail peut financer tout ou partie de la formation avec l’aide individuelle à la formation (AIF), si elle vous aide à retrouver un poste.
  • Si vous êtes salarié(e)Votre employeur peut la prendre en charge dans son plan de formation, souvent avec l’aide de son OPCO.
Estimer mon reste à charge Lire le guide : France Travail et AIF

Liora

Liora, anciennement DataScientest, propose des formations aux métiers de la tech, notamment la data science, l'analyse de données, le machine learning et l'administration systèmes, réseaux, cloud et cybersécurité.

Découvrir le centre

Quelle formation cherchez‑vous ?